肖鈺坤，張文濤，杜 浩，王秀秀

（桂林電子科技大學 電子工程與自動化學院，廣西 桂林 541004）

近年來，自動光學檢測（Automated Optical Inspection，AOI）系統(tǒng)已廣泛應用于晶圓的表面質(zhì)量檢測中。AOI利用機器視覺模擬人類視覺對晶圓表面進行圖像采集和檢測，最終獲取清晰的缺陷圖像，供給工藝工程師進行缺陷分析。由于缺陷在晶圓上分布不規(guī)律，并且AOI系統(tǒng)受CCD相機視場大小和測量精度的限制，對晶圓表面的缺陷進行圖像采集時，需要通過移動相機或運動臺對缺陷進行多次拍照，完成圖像采集工作，因此需要對拍照位置和移動的順序進行合理規(guī)劃。拍照位置的規(guī)劃問題是以相機視場和晶圓表面缺陷為操作對象的視場分配問題，移動順序問題即視場分配后的路徑優(yōu)化問題。在傳統(tǒng)的工藝中多采用順序視場分配法和順序取像法來進行視場分配和路徑優(yōu)化，其優(yōu)點是算法收斂速度快、操作邏輯簡單，其缺點是取像次數(shù)多、移動路徑長，導致AOI系統(tǒng)的工作效率偏低。東苗提出采用迭代自組織數(shù)據(jù)分析法（IteractiveSelforganizing Data Anaylsis，ISODATA）進行視場分配的思路，針對路徑優(yōu)化問題可以使用解決經(jīng)典的路徑規(guī)劃旅行商問題（Traveling Salesman Problem，TSP）的算法進行求解。為提高AOI系統(tǒng)的檢測效率，以最短的時間完成圖像采集工作，本文結合AOI檢測流程高效實時性的特點，在迭代自組織分析數(shù)據(jù)法的基礎上，提出一種實時動態(tài)分配視場的算法。在視場分配后的路徑優(yōu)化問題上，本文選擇采用了路徑優(yōu)化算法中收斂速度快的局部擇優(yōu)算法。實驗結果證明，本文提出的混合算法規(guī)劃的路徑長度比傳統(tǒng)算法規(guī)劃的減少了50%左右，能有效提高AOI系統(tǒng)的工作效率。

1 AOI系統(tǒng)設計

1.1 AOI系統(tǒng)的結構

AOI系統(tǒng)的硬件部分主要由運動臺模塊、光學模塊組成。運動臺模塊由運動軸和承載臺組成，光學模塊由2個CCD面陣相機、光源、鏡頭和軸組成。本系統(tǒng)使用大理石底座作為運動臺的基座，運動臺的運動軸采用軸堆疊方式，搭載承載臺組件實現(xiàn)承載和移動晶圓進行水平方向移動；光學模塊可實現(xiàn)在不同倍率鏡頭下獲得晶圓的清晰圖像，大理石橫梁安裝在運動臺底座上部，橫梁垂向軸，軸上搭載了光學模塊進行向運動，完成晶圓檢測過程中的光學對準等動作，其中的2個CCD相機則分別應用在檢測和復檢流程的圖像采集工作中，其結構如圖1所示。

圖1 系統(tǒng)結構圖

1.2 AOI系統(tǒng)工作流程

AOI系統(tǒng)的主要工作流程有缺陷檢測流程、數(shù)據(jù)處理流程和缺陷復檢流程，在經(jīng)過缺陷復檢后便可以得到清晰的缺陷圖片。缺陷檢測流程需要對整個晶圓表面進行圖像采集；數(shù)據(jù)處理流程根據(jù)采集到的圖片進行缺陷分析，并完成視場分配和路徑規(guī)劃工作；缺陷復檢流程則根據(jù)規(guī)劃后的結果進行圖像采集。在缺陷檢測流程中，需要多次控制運動臺和光學模塊，使用黑白相機進行圖像采集，完成對整個晶圓表面的取像。圖像采集的同時數(shù)據(jù)處理流程將已采集到的圖像進行分析，分析出圖像中的缺陷大小和位置信息并記錄，同時根據(jù)缺陷的信息進行視場分配，直到檢測流程的取像工作完畢，所有的缺陷都被分配到了視場中，使用路徑優(yōu)劃算法進行優(yōu)化。在缺陷復檢流程中，根據(jù)優(yōu)化后的結果再次控制運動臺和光學模塊，使用彩色相機進行圖像采集，獲取到所有缺陷的形貌特征，其工作流程圖如圖2所示。

圖2 工作流程圖

2 混合路徑規(guī)劃算法設計

2.1 視場分配

視場分配是AOI的路徑規(guī)劃的關鍵步驟，在進行視場分配時需要滿足以下要求：實時接收缺陷的同時進行視場分配；每個視場盡可能覆蓋更多的缺陷；所有缺陷都被分配到了視場中；視場的個數(shù)要盡可能的少。

傳統(tǒng)工藝中使用順序分配法進行視場分配，其工作原理是先為首個缺陷分配一個視場，分配視場時以缺陷中心為視場中心，如圖3所示。

圖3 分配視場

分析出新的缺陷后，根據(jù)缺陷的大小和位置，判斷該缺陷是否可以添加到在已分配的視場中，如圖4所示。

圖4 添加到視場

若新的缺陷無法添加到視場中，則以缺陷中心為視場中心再分配一個視場，如圖5所示。

圖5 再分配視場

傳統(tǒng)算法操作簡單、收斂速度快，但是算法固定了視場的位置，若缺陷距離視場很近也無法被該視場覆蓋，只能新開再分配一個視場來覆蓋該缺陷，最終導致視場數(shù)量過多、工作效率偏低。迭代自組織分析數(shù)據(jù)法是解決典型聚類問題的最常用的一種算法。該算法在計算的過程中不斷地對聚類進行合并和分割，而且移動聚類的中心來自我調(diào)整，直至相鄰兩次迭代的聚類中心不再變化為止，該方法的適應性和求解的效率得到顯著提高。東苗基于迭代自組織分析數(shù)據(jù)法提出以視場網(wǎng)格為操作對象，通過縮小網(wǎng)格的大小進行網(wǎng)格合并，改變了網(wǎng)格的中心位置，形成新的網(wǎng)格，最終達到減少視場數(shù)量的目的；但是由于應用場景不同，該方法無法滿足實時分配視場的要求。為解決傳統(tǒng)算法因視場固定而導致工作效率偏低的問題，本文基于迭代自組織分析數(shù)據(jù)法提出了一種實時動態(tài)分配視場的算法，根據(jù)視場大小和視場所含的缺陷大小提出了增益視場的概念，利用增益視場擴大了視場的有效范圍，使視場能夠覆蓋更多的缺陷。在實時接收新缺陷的同時，不斷調(diào)整增益視場的大小和中心位置即改變了聚類的大小和中心位置，其主要的操作流程如圖6所示。

圖6 算法操作流程

1）算法在缺陷檢測流程開始時便已啟動，在實時拍照的同時進行缺陷分析，每當有新的缺陷被分析出就會觸發(fā)一次視場分配。

2）判斷缺陷是否可以添加到增益視場中，根據(jù)缺陷的大小和位置信息，判斷缺陷能否添加到增益視場中。

3）若缺陷無法增加到增益視場中，為缺陷增加一個視場，計算出初始增益視場。

4）若缺陷可以增加到增益視場中，將缺陷添加到增益視場中，移動視場的中心位置，使視場能夠覆蓋新的缺陷，重新計算增益視場。

5）視場位置調(diào)整后，判斷缺陷分析流程是否結束，若未結束等待新的圖像分析結果；若已結束則記錄視場分配結果，退出視場分配算法。

2.2 增加視場

當首個缺陷被分析出或缺陷無法增加到增益視場時，以缺陷中心坐標為視場中心坐標增加一個視場。視場的左上角坐標用(F,F)來表示，右下角的坐標用(F,F)來表示，視場的中心坐標用(F,F)來表示，視場的長度用F表示，視場的寬度用F表示，則可以計算出視場的坐標信息：

計算增益視場，增益視場的概念是視場根據(jù)其內(nèi)部的所有缺陷的物理大小所計算出的最大可移動范圍，由視場上下左右4個方向最大移動范圍組成的網(wǎng)格便是增益視場，如圖7所示。

圖7 計算增益視場

首先計算出由缺陷組成的外接矩形，P表示缺陷的長度，P表示缺陷的寬度。(R,R)表示外接矩形的中心點坐標，(R,R)表示矩形的左上角坐標，(R,R)表示矩形右下角的坐標，則可以計算出：

之后，根據(jù)視場和外接矩形計算出視場可移動范圍。視場向上下左右可移動的范圍分別由，，和來表示，則可以計算出：

(E,E)表示增益視場的中心坐標，(E,E)和(E,E)表示增益視場的左上角和右下角坐標，和表示增益視場的長度和寬度，根據(jù)以上信息可以得出：

2.3 添加到增益視場

判斷是否可以添加到增益視場中，需先判斷缺陷的中心坐標位置是否在增益視場內(nèi)。缺陷中心的坐標由(P,P)表示，能添加到視場的第一個條件是：

之后，根據(jù)缺陷的大小判斷增益視場能否完全覆蓋該缺陷，能添加到視場的第二個條件是：

同時滿足以上條件則可以添加到增益視場中，如圖8所示。

圖8 添加到增益視場

調(diào)整外接矩形，首先需要根據(jù)新缺陷P和視場內(nèi)部缺陷矩形R計算出新外接矩形R的信息，用R來表示由缺陷P組成的外接矩形，則新的外接矩形R的坐標信息可以計算出：

調(diào)整視場，通過調(diào)整視場的中心位置，視場能覆蓋缺陷P，移動視場中心到由所有缺陷組成的新矩形的中心，如圖9所示。

圖9 調(diào)整視場

調(diào)整增益視場，使用上述計算出的矩形R代入式（9）~式（18）便可計算出調(diào)整后增益視場E的大小和坐標信息，調(diào)整后如圖10所示。

圖10 調(diào)整增益視場

按照上述操作進行視場分配，不再固定視場的位置，在實時接收到新的缺陷信息的同時，不斷調(diào)整增益視場和視場去覆蓋更多的缺陷，盡可能少地開辟新的視場，減少視場分配的數(shù)量，直到缺陷分析流程結束，不會再有新的缺陷。所有的缺陷都被覆蓋在了視場后，退出算法。

2.4 路徑優(yōu)化

在視場分配后就生成了一系列的視場，缺陷復檢時就會控制運動臺移動到不同的視場進行圖像采集。為提高檢測效率，需要對移動的路徑進行合理的優(yōu)化，在最短的時間內(nèi)完成圖像采集工作。傳統(tǒng)工藝的路徑優(yōu)化采用了順序取像法，按照視場生成到次序對視場進行排序，這種方法操作簡單、收斂速度快，但是會導致移動路徑過長，最終導致檢測的效率偏低。本文將各個視場中心點作為路徑節(jié)點，采用局部擇優(yōu)算法進行路徑優(yōu)化。該算法會從當前路徑節(jié)點的臨近節(jié)點中選擇一個最優(yōu)解當作下一個當前路徑節(jié)點，該算法易于實現(xiàn)并且收斂速度快，完全滿足AOI系統(tǒng)的高效實時性。該算法的基本步驟如下所示。

步驟1：將第一個生成的視場中心點定為起始路徑節(jié)點。

步驟2：將鄰近的視場中心點作為鄰近節(jié)點，從鄰近節(jié)點中選擇一個距離最近的節(jié)點作為新的起始點，并記錄移動路徑。

步驟3：重復步驟2，直到所有的視場都被加入到移動路徑中。

步驟4：輸出優(yōu)化后的路經(jīng)。

路徑優(yōu)化示意圖如圖11所示。

圖11 路徑優(yōu)化示意圖

3 實驗結果分析

本實驗的實驗環(huán)境為CPU：Intel Core i3?10100 3.60 GHz，內(nèi)存8 GB DDR3L，操作系統(tǒng)：Windows 10。相機的視場的大小是14 mm×18 mm，使用直徑為200 mm的晶圓測試片。為驗證本算法的有效性，本文使用C#代碼編寫了本文路徑規(guī)劃算法的程序，使用AOI晶圓檢測機臺進行實驗，并對測試算法的效果進行簡要的分析。首先使用傳統(tǒng)算法進行視場分配，然后使用基于迭代自組織分析數(shù)據(jù)法改進的算法進行視場分配作對比。實驗對1 636個待測對象進行視場分配，使用傳統(tǒng)算法的視場分配后的視場數(shù)量是153個，使用本文算法視場分配后的視場數(shù)量是107個，本文算法相較于傳統(tǒng)算法視場的數(shù)量減少了30%左右，在視場分配結果上有明顯的提升，效果圖如圖12所示。

圖12 視場分配效果圖

在確認視場數(shù)量最少的情況下，采用傳統(tǒng)算法進行路徑優(yōu)化后的路徑長度為6 455 mm，采用本文算法進行路徑優(yōu)化后的路徑長度為4 172 mm。在視場數(shù)目相等的條件下，本文算法相較于傳統(tǒng)算法路徑總長度減少了35%左右，效果圖如圖13所示。

圖13 路徑優(yōu)化效果圖

為進一步驗證本算法的性能，使用了3片直徑為200 mm和3片直徑為300 mm的晶圓測試片進行實驗。實驗中記錄了使用傳統(tǒng)算法和本文算法在視場分配后的視場數(shù)量和最終路徑規(guī)劃后的路徑長度，如表1所示。表1對傳統(tǒng)算法和本文算法在視場數(shù)量和路徑長度兩個方面進行比較，從中可以看出本文算法在視場分配數(shù)量上與傳統(tǒng)算法相比有明顯的減少。經(jīng)過本文算法綜合優(yōu)化后，路徑長度較于傳統(tǒng)算法減少了50%左右。最終可以得出結論：本文算法所得路徑質(zhì)量更高，更加符合工業(yè)現(xiàn)場效率要求，能有效提高AOI的工作效率。

表1 混合路徑規(guī)劃算法和傳統(tǒng)算法結果對比

4 結 論

本文提出一種求解晶圓自動光學檢測系統(tǒng)路徑規(guī)劃問題的混合算法，結合AOI系統(tǒng)高效實時性的特點改進了迭代自組織數(shù)據(jù)分析法算法，在視場分配時提出了增益視場的概念，通過不斷調(diào)整視場和增益視場覆蓋更多的缺陷，有效地減少了視場的數(shù)量。視場分配結束后采用收斂速度快的局部擇優(yōu)算法進行路徑優(yōu)化，縮短了路徑長度，實現(xiàn)了AOI晶圓檢測系統(tǒng)路徑規(guī)劃的綜合優(yōu)化。最后，使用不同規(guī)格的晶圓實驗證明，本文所采用的混合路徑規(guī)劃算法在求解性能上均優(yōu)于傳統(tǒng)算法，驗證了本文算法的有效性。